VOLOVLORiesgo de automatización y transición, tarea por tarea
PreguntarOcupacionesCarrerasEmpresasEmprenderCambiosNotasMétodo
Buscar ocupaciones, carreras…
ES
  • English
  • 简体中文
  • 日本語
  • Español
  • Português
  • Français
VLO
VOLO

Entender cómo la automatización cambia el trabajo, tarea por tarea, con la evidencia a la vista y la incertidumbre admitida.

PreguntarOcupacionesCarrerasEmpresasEmprenderCambiosNotasMétodo¿La IA reemplazará mi trabajo?Quiénes somosDiagnóstico de puestosDatos abiertosOntologíaVOLO ProPrivacidadCondiciones
© 2026 VOLO
Guías
Preguntar a VOLOPara empresasPara quien emprendeCambios recientesNotasDiagnóstico de puestosPrimer experimento con IAVOLO ProMétodo y evidenciaQuiénes somosSeguir una ocupaciónBuscar
Ocupaciones
Todas las ocupaciones
IA y software
Traductor / IntérpreteCajero de bancoRedactor publicitarioModerador de contenidosAgente de atención al clienteAuxiliar administrativoTester de software / ingeniero de QAGrabador de datosDiseñador gráficoAsistente jurídicoMontador de vídeoContable / Tenedor de librosEspecialista de marketingDesarrollador frontendGestor fiscal / asesor de impuestosActor de vozCodificador médicoAnalista de datosTramitador de siniestrosRedactor técnico / ingeniero de documentaciónDesarrollador de software júniorSuscriptor de segurosRecursos humanos / selecciónAnalista de crédito / gestor de riesgosAnalista financieroEspecialista de compras / cadena de suministroPeriodistaComercial / gestor de cuentasAgente inmobiliarioIngeniero de redesIlustradorAgente de viajes / asesor de viajesTécnico de soporte informático / mesa de ayudaAuditorPlanificador de la cadena de suministroConsultor de gestiónFotógrafoDesarrollador backendInvestigador de IADiseñador de producto / UXResponsable de sistemas de negocioEspecialista en operaciones de e-commerceActuarioAnimador y artista de efectos visualesEscritor y autorTécnico de nóminas / administrativo de nóminasRadiólogoIngeniero de datosJefe de proyecto / gestor de proyectosCientífico de datosTaquígrafo judicialEditor y corrector de textosAbogadoAuxiliar médico / auxiliar de consultaTécnico de mediciones y presupuestosCreador de contenidoAnalista cuantitativoIngeniero de aprendizaje automáticoIngeniero de software con experienciaIngeniero de DevOps / ingeniero de plataforma / SREAnalista de negocioMúsico y compositorAnalista SIG / cartógrafoTasador inmobiliarioAdministrador de fincas / gestor de propiedadesGestor de productoDietista-nutricionistaEconomistaFarmacéuticoResponsable de alianzas / de canalAnalista de seguridad (SOC)Asesor financiero / planificador financieroIntérpretePatólogoIngeniero de diseño de chipsRedactor de solicitudes de subvención / técnico de subvencionesResponsable de cumplimiento normativoBibliotecarioDelineante / técnico CADArquitectoMando intermedio de primera línea / jefe de equipoPsicoterapeuta / consejero psicológicoVendedor / dependiente de tiendaIngeniero civil / estructuralIngeniero eléctricoIngeniero industrialEstadísticoVigilante de seguridadDiseñador de interioresDocente universitarioPsicólogoConductor de autobúsAgente de segurosIngeniero mecánicoDiseñador de modaOptometristaNotarioDocente de escuelaMédico de familia / de atención primariaPiloto de línea aéreaProfesor de autoescuelaUrbanistaOperador de emergenciasCamarero de salaTécnico en radiología / en imagen para el diagnósticoTopógrafoMecánico / técnico de vehículosPolicíaEcografistaTécnico de mantenimiento de aeronavesHigienista dentalAnestesiólogo / anestesistaInspector de edificaciónLogopedaEnfermero/a de práctica avanzadaControlador de tránsito aéreoVeterinarioBartender / baristaFisioterapeuta / terapeuta de rehabilitaciónDentistaCirujanoParamédico / técnico en emergenciasTrabajador de la construcciónTrabajador socialJuez / magistradoEnfermero tituladoMasajistaMatronaAuxiliar de cuidados / auxiliar de enfermeríaFontaneroResponsable de implantación de IA
RPA y autoservicio
Funcionario de atención al ciudadanoCoordinador de operacionesMaquinista de metroRecepcionistaTécnico de farmaciaFlebotomistaAuxiliar dental / asistente dentalTerapeuta respiratorioTerapeuta ocupacional
Robótica
Cajero de comercio / dependienteEstibador portuarioOperario de almacénOperario de línea de montajeTécnico de laboratorio clínicoActor y modeloTornero fresador / Operador CNCSoldadorCocinero / chefJardinero / paisajistaPersonal de limpiezaAgricultorBomberoTécnico de climatizaciónAlbañil / colocador de bloquesCarpintero de obra / carpintero de tallerTripulante de cabinaPeluquero / barberoElectricista
Conducción autónoma
Conductor de VTC / taxiCamioneroRepartidor / mensajero
Carreras
Todas las carrerasFilología inglesa / Lenguas extranjerasInformáticaContabilidadPsicologíaPeriodismo / ComunicaciónFinanzasDerechoDiseño de comunicación visualMarketingEnfermeríaAdministración y dirección de empresasEducación y formación del profesoradoArquitecturaAdministración públicaMedicinaGestión hotelera y turísticaEconomíaSistemas de información
Entrar como:Tengo un trabajoEstoy estudiandoDirijo una empresaEstoy construyendo algo
Cambios recientes›Actuario›2026-06-22
Capacidad técnicaProcesos y autoservicio2026-06-22

La Casualty Actuarial Society publicó un estudio de prueba de concepto financiado por la propia CAS en el que una canalización de dos etapas basada en un LLM extrajo 36 variables actuariales estructuradas a partir de documentos de siniestros no estructurados

Actuariopágina de la ocupación →
Fecha del hecho / publicación
2026-06-22
Categoría de la evidencia
Capacidad técnicaUna demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Tareas sobre las que incide
Preparar los datos y el estudio de experiencia
Reunir los datos de pólizas y siniestros, limpiarlos y calcular lo que realmente ocurrió frente a lo que se había supuesto.
Automatizándose✓ Con evidencia
Dónde aplica esto
La propia revista de investigación revisada por pares de la Casualty Actuarial Society (CAS Forum, Vol. 2026), publicada el 22 de junio de 2026, con financiación y apoyo del CAS Artificial Intelligence Working Group, nombrado en el propio artículo. Tres de los cinco autores pertenecen a universidades (Thomas Jefferson University, William and Mary University); los otros dos dirigen pequeñas consultoras (Lieberthal and Associates LLC, MDSight LLC), y una búsqueda no encontró ningún producto comercial de análisis de siniestros con LLM a la venta por ninguna de las dos, por lo que esto se lee como la propia investigación del organismo profesional y no como material de venta de un proveedor. El propio artículo llama a su sistema una prueba de concepto: una canalización de LLM de dos etapas que lee documentos de siniestros no estructurados (historiales médicos, notas de los peritos, transcripciones de llamadas) y extrae 36 variables actuariales estructuradas para la constitución de reservas, la tarificación y la gestión de siniestros. Todos los resultados que reporta el artículo (la extracción de las 36 variables, las 14 variables centrales verificadas por dos revisores clínicos independientes con una puntuación de al menos 4 sobre 5 de precisión y un acuerdo entre evaluadores moderado, y una prueba retrospectiva con el método chain-ladder que redujo el error de reserva del 6,5% al 4,0%) se produjeron con datos de siniestros sintéticos generados con la herramienta Synthea FHIR más notas y llamadas escritas por el LLM, no con siniestros reales de ninguna aseguradora. El propio texto del artículo dice que validar la canalización con la cartera de siniestros real de una organización es un paso futuro antes del uso en producción, no algo que ya se haya hecho. Esto establece que el propio organismo de la profesión actuarial tiene un prototipo funcional para la mitad de esta tarea que consiste en reunir y depurar los datos, probado solo con datos sintéticos; no establece que ninguna aseguradora lo use, cuánto de un estudio de experiencia real podría sustituir, ni nada sobre cuántos actuarios realizan este trabajo.
Qué significa esto
El propio organismo profesional de los actuarios ha publicado un prototipo funcional que usa un LLM para leer documentos de siniestros no estructurados y extraer 36 de las variables estructuradas que antes requerían revisión manual.
Qué no muestra todavía
Esto es una prueba de concepto probada solo con datos sintéticos, no con siniestros reales de ninguna aseguradora. No muestra que ninguna aseguradora lo use, ni cuánto de un estudio de experiencia real podría sustituir, ni nada sobre el número de actuarios que hacen este trabajo.
Qué puedes comprobar
Pregunta si tu propia aseguradora ha probado algún sistema de extracción automática a partir de las narrativas de los siniestros y, si lo ha hecho, si se ha validado con vuestros siniestros reales o solo con datos de prueba sintéticos.
¿Cambia la evaluación?
No, y esta categoría tampoco lo mueve. Un registro de «Capacidad técnica» es evidencia real, pero por sí solo no sube un juicio de tarea. 1 juicio enlazado de arriba se quedan donde estaban.
Fuente
Casualty Actuarial Society — CAS Forum (Lieberthal, Tran, Phan, Singh and Sottung), "Leveraging Large Language Models for Unstructured Claims Data Analysis" · verificado 2026-10-17 · VOLO agent loop · interpretado 2026-10-17 · VOLO agent loop
Fuente primaria: publicada por la parte que hizo esto, o por la autoridad de referencia. No necesita cofirma.
Todos los cambios de Actuario →Todos los cambios recientes →Cómo un hecho se convierte en evidencia →